# Lesen der Gebäudedaten
gwr <- read.csv("https://www.web.statistik.zh.ch/ogd/daten/ressourcen/KTZH_00002022_00004064.csv")
# gwr <- readRDS("gwr.RDS")
#
# saveRDS(gwr, file = "gwr.RDS")
# Umwandeln in ein sf-Objekt -> Geodatenobjekt
gwr_sf <- sf::st_as_sf(gwr, coords = c("E.Gebaeudekoordinate", "N.Gebaeudekoordinate"), crs = 2056)
# interaktives Darstellen
mapview::mapview(head(gwr_sf, 20))
# gemeinden <- sf::st_read("https://maps.zh.ch/wfs/OGDZHWFS", layer="ms:ogd-0095_arv_basis_up_gemeinden_seen_f")
# Lesen des Gemeindelayers
gemeinden <- sf::read_sf("Gemeindegrenzen_-OGD.gpkg", layer = "UP_GEMEINDEN_F")gisR
Was ist R
R ist eine offene Programmiersprache welche ursprünglich für statistische Zwecke erstellt wurde.
Der Einsatzbereich von R hat sich heutzutage weit über die statistischen Anwendungen etabliert.
Note
Gerade für Data-Wrangling und Data-Engineering kommt die Stärke von R besonders zu tragen.
GIS mit R
Seit einiger Zeit hat sich R im Bereich GIS weiterentwickelt. Es lässt sich nun sehr einfach GIS-Prozesse mit Datenanalyse verbinden und es ist kein Medienbruch mehr nötig.
Packages (gleich wie libraries in python) - sf: Arbeiten mit Feature Classes - terra: Arbeiten mit Raster-Daten - stars: Arbeiten mit Spatio-Temporal Arrays
Bücher
Einlsesen der Daten
Analysieren der Daten
# Matchen der Gemeindeinformation an die GWR-Daten
# Die geometrie wird hier entfernt, da die Datenanalyse danach viel schneller läuft
gwr_sf_gem <- gwr_sf %>%
dplyr::select(Gebaeudekategorie_Code, Gebaeudekategorie_Bezeichnung) %>%
sf::st_join(gemeinden) %>%
sf::st_drop_geometry()
# Berechnung der Anteile der Geböude ohne Wohnnutzung am gesamten Gebäudebestand einer Gemeinde
geb_ohne_wohnnutzung_pro_gem <- gwr_sf_gem %>%
dplyr::group_by(Gebaeudekategorie_Code, Gebaeudekategorie_Bezeichnung, BFS, GEMEINDENAME) %>%
dplyr::summarise(anzahl = n()) %>%
dplyr::ungroup() %>%
dplyr::group_by(BFS, GEMEINDENAME) %>%
dplyr::mutate(anteil = round(anzahl/sum(anzahl)*100, 2)) %>%
dplyr::ungroup() %>%
dplyr::filter(Gebaeudekategorie_Code == 1060)Darstellen der Daten
# Hinzufügen der Gemeindepolygone
# Herausfiltern der Seen und fixen der Polygone
geb_ohne_wohnutzung_sf <- gemeinden %>%
dplyr::select(BFS) %>%
dplyr::left_join(geb_ohne_wohnnutzung_pro_gem, by = "BFS") %>%
dplyr::filter(BFS != 0) %>%
sf::st_make_valid() %>%
# tmap vewendet die erste Spalte als Bezeichner, deshalb hier die Änderung in der Spaltenanordnung
dplyr::select(GEMEINDENAME, dplyr::everything())
geb_ohne_wohnnutzung_sf_generalized <- geb_ohne_wohnutzung_sf %>%
rmapshaper::ms_simplify(keep = 0.005)
# Setzt tmap auf interaktiv
tmap::tmap_mode("view")
# Darstellen der Choropletenkarte
tmap::tm_shape(geb_ohne_wohnnutzung_sf_generalized) +
tmap::tm_polygons("anteil")Remote Sensing mit R
Extensiv genutzte Wiesen müssen mindestens einmal pro Jahr gemäht werden und das Schnittgut muss abgeführt werden. Die Flächen dürfen in Abhängigkeit der Zone jeweils frühestens Mitte Juni bis Mitte Juli genutzt werden1
Fragestellung
Gibt es Landwirtschaftsflächen mit Schnittzeitpunkt 15. Juni, welche bereits vorher gemäht wurden?
Workflow:1
- Sentinel-2 Bilder herunterladen
- NDVI berechnen
- Statistik für Landwirtschaftsflächen
STAC
SpatioTemporal Asset Catalog1
Wir benutzen den Planetary Computer Data Catalog von Microsoft2
STAC
stac_source <- rstac::stac(
"https://planetarycomputer.microsoft.com/api/stac/v1",
force_version = "1.0.0"
)
collections_query <- stac_source %>%
rstac::collections()
rstac::get_request(collections_query)###Collections
- collections (123 item(s)):
- daymet-annual-pr
- daymet-daily-hi
- 3dep-seamless
- 3dep-lidar-dsm
- fia
- sentinel-1-rtc
- gridmet
- daymet-annual-na
- daymet-monthly-na
- daymet-annual-hi
- ... with 113 more collection(s).
- field(s): collections, links# BBOX definieren
ktzh_bbox <- "8.3576933717031, \
47.159435621727, \
8.9849509769386, \
47.694469737114"
# STAC Query bauen
stac_query <- rstac::stac_search(
q = stac_source,
collections = "sentinel-2-l2a",
datetime = "2023-06-10/2023-06-14",
bbox = ktzh_bbox
) %>%
ext_filter(
`eo:cloud_cover` <= 20)Geodaten von WFS laden
wfs_zh <- "https://maps.zh.ch/wfs/OGDZHWFS"
url <- httr::parse_url(wfs_zh)
url$query <- list(service = "WFS",
version = "2.0.0",
request = "GetFeature",
typename = "ms:ogd-0095_arv_basis_up_bezirke_f",
outputformat = "geojson"
)
request <- httr::build_url(url)
bezirke <- sf::read_sf(request)
# Save Bezirke Layer
sf::write_sf(bezirke, "geodata/Bezirke.gpkg")Raster
- 4 Bänder -> 1
stars-Objekt - Visualisierung & Speicherung als 4-Band Raster
 |
 |
|---|---|
| RGB | FCIR |
NDVI
Rasterrechner
\[ NDVI = \frac{(NIR - R)}{NIR + R} \]
Statistik
# Load Polygon Layer
LWNutz_Diels <- sf::read_sf("geodata/LWNutz_Dielsdorf.gpkg") %>%
mutate(area = sf::st_area(geom))
# Set aller Flächen, die erst am 15.06. sollten geschnitten werden:
BF_Fl <- LWNutz_Diels %>%
filter(harvest_date == "15.06.") %>%
# Drop die kleinsten Flächen unter 500 m^2
filter(area > units::set_units(500, "m^2"))Zonale Statistik
# Load Raster
ndvi_rast <- terra::rast("geodata/ndvi_float32.tif")
# Reproject it, so it does align with the Polygons
ndvi_2056 <- terra::project(ndvi_rast, "EPSG:2056", method="bilinear")
# calculate mean NDVI for every feature:
BF_Fl$mean_ndvi <- exact_extract(ndvi_2056, BF_Fl, 'mean', progress=TRUE,
max_cells_in_memory = 1e4)
|
| | 0%
|
| | 1%
|
|= | 1%
|
|= | 2%
|
|== | 2%
|
|== | 3%
|
|== | 4%
|
|=== | 4%
|
|=== | 5%
|
|==== | 5%
|
|==== | 6%
|
|===== | 6%
|
|===== | 7%
|
|===== | 8%
|
|====== | 8%
|
|====== | 9%
|
|======= | 9%
|
|======= | 10%
|
|======= | 11%
|
|======== | 11%
|
|======== | 12%
|
|========= | 12%
|
|========= | 13%
|
|========= | 14%
|
|========== | 14%
|
|========== | 15%
|
|=========== | 15%
|
|=========== | 16%
|
|============ | 16%
|
|============ | 17%
|
|============ | 18%
|
|============= | 18%
|
|============= | 19%
|
|============== | 19%
|
|============== | 20%
|
|============== | 21%
|
|=============== | 21%
|
|=============== | 22%
|
|================ | 22%
|
|================ | 23%
|
|================ | 24%
|
|================= | 24%
|
|================= | 25%
|
|================== | 25%
|
|================== | 26%
|
|=================== | 26%
|
|=================== | 27%
|
|=================== | 28%
|
|==================== | 28%
|
|==================== | 29%
|
|===================== | 29%
|
|===================== | 30%
|
|===================== | 31%
|
|====================== | 31%
|
|====================== | 32%
|
|======================= | 32%
|
|======================= | 33%
|
|======================= | 34%
|
|======================== | 34%
|
|======================== | 35%
|
|========================= | 35%
|
|========================= | 36%
|
|========================== | 36%
|
|========================== | 37%
|
|========================== | 38%
|
|=========================== | 38%
|
|=========================== | 39%
|
|============================ | 39%
|
|============================ | 40%
|
|============================ | 41%
|
|============================= | 41%
|
|============================= | 42%
|
|============================== | 42%
|
|============================== | 43%
|
|============================== | 44%
|
|=============================== | 44%
|
|=============================== | 45%
|
|================================ | 45%
|
|================================ | 46%
|
|================================= | 46%
|
|================================= | 47%
|
|================================= | 48%
|
|================================== | 48%
|
|================================== | 49%
|
|=================================== | 49%
|
|=================================== | 50%
|
|=================================== | 51%
|
|==================================== | 51%
|
|==================================== | 52%
|
|===================================== | 52%
|
|===================================== | 53%
|
|===================================== | 54%
|
|====================================== | 54%
|
|====================================== | 55%
|
|======================================= | 55%
|
|======================================= | 56%
|
|======================================== | 56%
|
|======================================== | 57%
|
|======================================== | 58%
|
|========================================= | 58%
|
|========================================= | 59%
|
|========================================== | 59%
|
|========================================== | 60%
|
|========================================== | 61%
|
|=========================================== | 61%
|
|=========================================== | 62%
|
|============================================ | 62%
|
|============================================ | 63%
|
|============================================ | 64%
|
|============================================= | 64%
|
|============================================= | 65%
|
|============================================== | 65%
|
|============================================== | 66%
|
|=============================================== | 66%
|
|=============================================== | 67%
|
|=============================================== | 68%
|
|================================================ | 68%
|
|================================================ | 69%
|
|================================================= | 69%
|
|================================================= | 70%
|
|================================================= | 71%
|
|================================================== | 71%
|
|================================================== | 72%
|
|=================================================== | 72%
|
|=================================================== | 73%
|
|=================================================== | 74%
|
|==================================================== | 74%
|
|==================================================== | 75%
|
|===================================================== | 75%
|
|===================================================== | 76%
|
|====================================================== | 76%
|
|====================================================== | 77%
|
|====================================================== | 78%
|
|======================================================= | 78%
|
|======================================================= | 79%
|
|======================================================== | 79%
|
|======================================================== | 80%
|
|======================================================== | 81%
|
|========================================================= | 81%
|
|========================================================= | 82%
|
|========================================================== | 82%
|
|========================================================== | 83%
|
|========================================================== | 84%
|
|=========================================================== | 84%
|
|=========================================================== | 85%
|
|============================================================ | 85%
|
|============================================================ | 86%
|
|============================================================= | 86%
|
|============================================================= | 87%
|
|============================================================= | 88%
|
|============================================================== | 88%
|
|============================================================== | 89%
|
|=============================================================== | 89%
|
|=============================================================== | 90%
|
|=============================================================== | 91%
|
|================================================================ | 91%
|
|================================================================ | 92%
|
|================================================================= | 92%
|
|================================================================= | 93%
|
|================================================================= | 94%
|
|================================================================== | 94%
|
|================================================================== | 95%
|
|=================================================================== | 95%
|
|=================================================================== | 96%
|
|==================================================================== | 96%
|
|==================================================================== | 97%
|
|==================================================================== | 98%
|
|===================================================================== | 98%
|
|===================================================================== | 99%
|
|======================================================================| 99%
|
|======================================================================| 100%{tmap_mode("plot")
tmap_options(check.and.fix = TRUE)
left <- tm_shape(BF_Fl) +
tm_polygons("mean_ndvi",
style = "fixed",
breaks = c(-0.4, -0.2, 0, 0.2, 0.4, 1)
)
right <- tm_shape(BF_Fl %>%
filter(mean_ndvi <= 0.3)) +
tm_polygons("mean_ndvi",
style = "fixed",
breaks = c(-0.4, -0.2, 0, 0.2, 0.4, 1)
)
tmap_arrange(
left,
right
)}
Simple feature collection with 2 features and 4 fields
Geometry type: POLYGON
Dimension: XY
Bounding box: xmin: 2678515 ymin: 1267933 xmax: 2678605 ymax: 1268029
Projected CRS: CH1903+ / LV95
# A tibble: 2 × 5
blw_name region mean_ndvi area geom
<chr> <chr> <dbl> [m^2] <POLYGON [m]>
1 Extensiv genutzte Wiesen (oh… Flugp… 0.246 943. ((2678527 1267936, 26785…
2 Extensiv genutzte Wiesen (oh… Flugp… 0.281 548. ((2678515 1267944, 26785…